El uso de modelos basados en datos es una forma favorable de optimizar los procesos industriales existentes. La estimación de estos modelos requiere datos con suficiente contenido informativo. Sin embargo, los datos de la operación regular de procesos suelen estar limitados a puntos de operación únicos, por lo que se necesitan métodos de diseño de experimentos (DoE) aplicables industrialmente. Este artículo presenta una metodología de DoE y modelado paso a paso, utilizando regresión de procesos Gaussianos que incorpora conocimiento experto. Este conocimiento experto sobre un punto de operación apropiado y la importancia de diversas entradas al proceso se aprovecha tanto en la construcción del modelo como en el diseño experimental. Se utiliza un esquema de modelado incremental en el que un modelo se extiende de forma aditiva por otro submodelo de manera paso a paso, cada uno estimado en un diseño experimental adecuado. Comenzando con la entrada de proceso más importante para el primer submodelo, el número de entradas consideradas se incrementa en cada paso. Se investigan las fortalezas y debilidades de la metodología, utilizando datos sintéticos en diferentes escenarios. Los resultados muestran que se alcanza una alta calidad general del modelo, especialmente para procesos con pocas interacciones entre las entradas y bajos niveles de ruido. Además, se discuten y demuestran ventajas en la interpretabilidad y aplicabilidad para procesos industriales, utilizando un caso de uso industrial real como ejemplo.